Extrapolation and explainability in hadron mass predictions with machine learning
تقيم هذه الدراسة أربعة نماذج من تعلم الآلة للتنبؤ بكتل الهادرونات، حيث تُظهر أن المدرك المتعدد الطبقات (MLP) يتفوق بشكل كبير على الطرق الأخرى في الاستقراء إلى حالات الباريونات الغريبة والثقيلة غير المرئية، مع استخدام تحليل SHAP لتحديد محتوى الكوارك الثقيل كسمة تنبؤية رئيسية.
يتكون الكون من حديقة شاسعة من الجسيمات، لكن الأعضاء الأكثر ألفة في هذه العائلة هم الهادرونات. هذه هي الجسيمات التي تشكل البروتونات والنيوترونات داخل كل ذرة، وهي متماسكة بفعل أقوى قوة في الطبيعة. لعقود من الزمن، عكف الفيزيائيون على تصنيف هذه الجسيمات، وقياس كتلها بدقة متناهية لفهم كيفية عمل القوة القوية. وبينما نمتلك فهماً راسخاً للهادرونات "التقليدية" — تلك المكونة من تركيبات بسيطة من الكواركات — بدأت التجارب الحديثة في الكشف عن جانب أكثر غرابة للقصة. حيث يجد العلماء الآن جسيمات لا تتوافق مع الأنماط القياسية، مثل تلك التي تحتوي على أربعة أو خمسة كواركات، أو باريونات ثقيلة محشوة بعدة كواركات ثقيلة. ويعد التنبؤ بكتل هذه الجسيمات الجديدة والغريبة تحدياً كبيراً لأن الأدوات النظرية المستخدمة للجسيمات العادية غالباً ما تواجه صعوبة عند تطبيقها على هذه التكوينات غير المعتادة.
في دراسة حديثة، لجأ الباحثون إلى تعلم الآلة لمعرفة ما إذا كان بإمكان الحواسيب تعلم قواعد كتل الهادرونات ثم استخدام تلك القواعد لتخمين أوزان جسيمات لم ترها من قبل. قام الفريق بتدريب أربعة أنواع مختلفة من نماذج الذكاء الاصطناعي باستخدام بيانات لـ 432 هادروناً تقليدياً معروفاً. وقد غدّوا الحواسيب بمعلومات حول الكواركات الموجودة داخل كل جسيم وخصائصه الكمومية، طالِبين من النماذج تعلم العلاقة بين هذه السمات وكتلة الجسيم. وبمجرد تدريب النماذج، اختبر العلماء هذه النماذج ليس فقط على أمثلة جديدة من الجسيمات العادية، بل على مجموعة منفصلة تماماً مكونة من 39 جسيماً استُبعدت من بيانات التدريب. تضمنت هذه المجموعة مرشحين غريبين وباريونات ثقيلة لم تُستخدم أبداً لتعليم النماذج، مما وضع الحواسيب أمام اختبار الاستقراء: أي تخمين كتلة شيء جديد تماماً بناءً فقط على ما تعلمته عن القديم.
أظهرت النتائج أنه بينما استطاعت جميع النماذج الأربعة التنبؤ بكتل الجسيمات العادية بدقة معقولة، إلا أنها تصرفت بشكل مختلف تماماً عند مواجهة المجهول. فقد أثبت نوع محدد من النماذج، وهو الشبكة العصبية، تفوقاً كبيراً في تخمين كتل الجسيمات غير المرئية. فعند اختبارها على 30 حالة غريبة أو ثقيلة ذات كتل تجريبية معروفة، سجلت هذه الشبكة العصبية أخطاءً كانت تقريباً ثلث حجم الأخطاء التي ارتكبتها النماذج الثلاثة الأخرى. أما النماذج الأخرى، التي تعتمد على طريقة مختلفة في اتخاذ القرار، فقد عانت بشكل كبير؛ إذ مالَت إلى الوقوع في فخ منطقي حيث لم تستطع التمييز بين جسيم يحتوي على كوارك ثقيل واحد وجسيم يحتوي على اثنين، مما أدى إلى أخطاء فادحة. ومع ذلك، تمكنت الشبكة العصبية من مواصلة النمط الذي تعلمته من الجسيمات العادية، حيث قدرت بشكل صحيح أن إضافة المزيد من الكواركات الثقيلة ستجعل الجسيم أثقل بكثير.
لفهم سبب نجاح الشبكة العصبية وفشل الآخرين، استخدم الباحثون تقنية للنظر داخل "الصندوق الأسود" لعملية اتخاذ القرار في الحاسوب. ووجدوا أن النموذج اعتمد بشكل شبه كلي على وجود الكواركات الثقيلة لتحديد الكتلة. فعندما يتنبأ النموذج بكتلة جسيم جديد، فإنه ينظر إلى عدد الكواركات الثقيلة الموجودة ويعدل الوزن وفقاً لذلك، وهو سلوك يطابق التوقعات الفيزيائية رغم أن النموذج لم يرَ تلك الجسيمات المحددة من قبل. كما استخدمت الدراسة الشبكة العصبية للتنبؤ بكتل تسعة باريونات ثنائية الثقل لم يتم رصدها بعد في التجارب. ورغم أن التنبؤات لهذه الجسيمات غير المرصودة كانت أقل قليلاً من بعض التقديرات النظرية، إلا أنها قدمت معياراً ملموساً للتجارب المستقبلية للتحقق منها.
يبرهن هذا العمل على أن تعلم الآلة يمكن أن يكون أداة قوية لاستكشاف آفاق فيزياء الجسيمات، بشرط اختبار النماذج على بيانات لم ترها من قبل. وتشير الدراسة إلى أنه بينما يمكن للحواسيب تعلم الأنماط الأساسية لكيفية بناء الكواركات للكتلة، فإن ليست كل الخوارزميات جيدة بنفس القدر في تطبيق تلك الأنماط على مواقف جديدة. إن نجاح الشبكة العصبية في هذه المهمة المحددة يسلط الضوء على أنه مع النهج الصحيح، يمكن للذكاء الاصطناعي أن يساعد الفيزيائيين في التنقل عبر المشهد المعقد للمادة الغريبة، وتقديم تنبؤات توجه مسار البحث التالي عن اللبنات الخفية للكون.
ملخص تقني: الاستقراء والقدرة على التفسير في تنبؤات كتلة الهادرونات باستخدام تعلم الآلة
بيان المشكلة يعد التنبؤ الدقيق بكتل الهادرونات أمراً ضرورياً لفهم التفاعل القوي والتحقق من صحة الأطر النظرية مثل الديناميكا اللونية الكمومية الشبكية (lattice QCD). وبينما نجحت النماذج الظواهرية والديناميكا اللونية الكمومية الشبكية مع الميزونات والباريونات التقليدية، إلا أنها تواجه تحديات مع الهادرونات الغريبة (مثل التيتراكواركات، والبنتالكواركات) والباريونات الثقيلة، لا سيما تلك التي تحتوي على كواركات ثقيلة متعددة. وتعتبر الديناميكا اللونية الكمومية الشبكية مكلفة حاسوبياً، خاصة بالنسبة للحالات المثارة والرنينات القريبة من عتبات الاضمحلال. يوفر تعلم الآلة (ML) بديلاً مرناً للتنبؤ بالخصائص الهادرونية، لكن تطبيقه في علم الطيف غالباً ما يعوقه طبيعة هذه النماذج كـ "صندوق أسود" والافتقار إلى فهم قدرتها على الاستقراء خارج توزيع بيانات التدريب. تعالج هذه الدراسة الفجوة في تقييم ما إذا كانت نماذج تعلم الآلة المدربة حصرياً على الهادرونات التقليدية يمكنها التنبؤ بموثوقية بمرشحات غريبة غير مرئية وباريونات ثقيلة، وتسعى لتفسير السمات الفيزيائية التي تقود هذه التنبؤات.
المنهجية قام المؤلفون ببناء مجموعة بيانات تضم 432 من الميزونات والباريونات التقليدية ذات الكتل المقاسة تجريبياً من تصنيفات مجموعة بيانات الجسيمات (PDG) لعامي 2020 و2026. تم استبعاد المرشحات الغريبة والباريونات ثنائية الثقل من التدريب لتكون بمثابة مجموعة استقراء مستقلة.
الميزات المدخلة: يتم تمثيل كل هادرون بـ 15 ميزة قائمة على الفيزياء: التكافؤ (P)، الزخم الزاوي الكلي (J)، الإيزوسبين (I)، الشحنة الكهربائية (Q)، مؤشر الحالة (nstate) للتمييز بين الحالات ذات الأعداد الكمومية المتطابقة، وعشر متغيرات صحيحة تصف محتوى الكواركات التكافؤية (u,d,s,c,b وكواركاتاتها المضادة).
النماذج: تمت مقارنة أربعة نماذج انحدار:
المدرك متعدد الطبقات (MLP): شبكة عصبية أمامية بطبقة مخفية واحدة (16 وحدة)، تستخدم دالة التنشيط $tanhوفقدL1$ سلس، وتم تحسينها عبر خوارزمية Nadam.
انحدار العملية الغاوسية (GPR): نموذج احتمالي يستخدم نواة ثابتة مضروبة في نواة Matérn (ν=1/2) مع مقاييس طول تكيفية.
تعزيز التدرج الفائق (XGBoost): نموذج تجميعي قائم على الأشجار بنمو على مستوى المستوى، و800 مُقدر، وعمق أقصى قدره 3.
آلة تعزيز التدرج الخفيف (LightGBM): نموذج تجميعي قائم على الأشجار بنمو على مستوى الورقة، و2600 مُقدر، و7 أوراق كحد أقصى.
بروتوكول التقييم: تم تدريب النماذج على 80% من البيانات التقليدية واختبارها على الـ 20% المتبقية (الاستكمال الداخلي/Interpolation). كما تم تقييم الأداء بشكل أكبر على مجموعة استقراء (Extrapolation) منفصلة تضم 39 حالة (17 مرشحاً غريباً، 13 باريون ثقيل مقاس، و9 باريونات ثنائية الثقل غير مرصودة) باستخدام جذر متوسط مربع الخطأ (RMSE) بمتوسط عشر تقسيمات عشوائية للتدريب والاختبار.
القابلية للتفسير: تم تطبيق تحليل تفسيرات شابل المضافة (SHAP) على النموذج الأفضل أداءً لتحديد مساهمة كل ميزة مدخلة في تنبؤات الكتلة.
النتائج الرئيسية
أداء الاستكمال الداخلي (Interpolation): أظهرت جميع النماذج الأربعة دقة معقولة في التنبؤ بكتل الهادرونات التقليدية ضمن نطاق التدريب. حقق نموذج GPR أدنى متوسط RMSE لاختبار (169.3 ± 45.2 MeV)، يليه عن كثب XGBoost وLightGBM. سجل نموذج MLP خطأ RMSE اختبار أعلى قليلاً (198.0 ± 19.6 MeV).
أداء الاستقراء (Extrapolation): ظهرت اختلافات جوهرية عند التنبؤ بالحالات غير المرئية. حقق نموذج MLP أدنى RMSE استقراء بلغ 294.2 ± 57.9 MeV عبر الـ 30 حالة ذات الكتل المقاسة. وهذا يمثل تقريباً ثلث الخطأ الذي سجلته النماذج الأخرى (GPR: 780.9 MeV؛ XGBoost: 844.1؛ LightGBM: 877.7).
محدودية النماذج القائمة على الأشجار: واجهت نماذج XGBoost وLightGBM صعوبة في التعامل مع الباريونات ثنائية الثقل لأن أشجار القرار الخاصة بها، والتي تدربت على بيانات تحتوي على كوارك ثقيل واحد كحد أقصى، لم تستطع التمييز بين كوارك ثقيل واحد واثنين؛ حيث تم توجيه كلا التكوينين إلى نفس الورقة، مما أدى إلى استقراء ضعيف.
محدودية GPR: كانت تنبؤات GPR مقيدة بتلاشي الارتباط في النواة، مما تسبب في عودة التنبؤات للحالات البعيدة (مثل الباريونات ثنائية البوتوم) نحو متوسط كتلة مجموعة التدريب (~2.0 GeV) بدلاً من المقاييس الأعلى المتوقعة.
ميزة MLP: نجح نموذج MLP في تعلم دالة غير خطية عالمية سمحت له باستقراء زيادة مقياس الكتلة المرتبط بالكواركات الثقيلة الإضافية، لا سيما للباريونات ثنائية الشارم. ومع ذلك، فقد قلل من تقدير كتل الباريونات الثقيلة المفردة المثارة والباريونات ثنائية البوتوم.
القابلية للتفسير (SHAP): كشف تحليل SHAP أن محتوى الكواركات الثقيلة (تحديداً كواركات البوتوم والشارك) هو العامل المهيمن الذي يقود تنبؤات الكتلة، حيث يساهم بشكل أكبر بكثير من محتوى الكواركات الخفيفة أو الأعداد الكمومية (J,I,P,Q). وقد ظل هذا الاعتماد قائماً حتى في الحالات المستقرأة، مما يؤكد أن النموذج يعتمد على مقياس الكتلة الفيزيائي الذي تحدده الكواركات الثقيلة.
الأهمية والادعاءات تزعم الورقة أنه بينما تؤدي نماذج تعلم الآلة القياسية أداءً جيداً في استكمال البيانات داخل نطاق الهادرونات المعروفة، فإن قدراتها على الاستقراء تختلف جذرياً بناءً على بنية النموذج. وتوضح الدراسة أن نموذج MLP بسيط يمكن أن يتفوق على المجموعات التجميعية المعقدة والنماذج الاحتمالية عند التنبؤ بكتل الهادرونات ذات التكوينات الكواركية الغائبة عن التدريب (مثل الباريونات ثنائية الثقل).
يؤكد المؤلفون أن نجاح MLP ليس مجرد نجاح إحصائي بل يتماشى مع الحدس الفيزيائي: إذ يحدد النموذج محتوى الكواركات الثقيلة كدافع رئيسي لمقاييس الكتلة. ومع ذلك، تظل الورقة متواضعة فيما يتعلق بالآلية الفيزيائية، حيث تذكر أنه بينما يشرح تحليل SHAP كيف يستخدم النموذج الميزات، فإنه لا يحدد الآلية الفيزيائية الأساسية لكتل الهادرونات. يضع هذا العمل تعلم الآلة كأداة مكملة لعلم طيف الهادرونات، قادرة على تقديم تنبؤات معقولة للحالات غير المرئية وتحديد السمات الفيزيائية الرئيسية، رغم الإقرار بأن الدقة تتراجع مع زيادة مسافة الاستقراء. ويُقترح مستقبلاً إجراء تحسينات من خلال إضافة ميزات أكثر استناداً إلى الفيزياء وقيود نظرية.